Как показала первая часть статьи. Опыт прежних технологических революций можно свести к четырем выводам:
автоматизация действительно уничтожает отдельные операции, рабочие места и иногда целые профессии;
занятость растет лишь тогда, когда снижение цены приводит достаточно новых покупателей или создаёт рынок, которого раньше не существовало;
новая работа чаще появляется за пределами автоматизированной операции - в инфраструктуре, внедрении, обслуживании, контроле и смежных услугах;
этот рост распределяется неравномерно и не длится вечно: отрасль может расширяться, пока конкретная компания сокращает людей, а насыщение рынка способно развернуть эффект технологии.
Получается, сама производительность ничего не обещает. Чтобы понять последствия ИИ, нужно смотреть не только на то, сколько часов он экономит, но и на то, какие услуги после этого станут доступными, кто начнёт их покупать и сколько человеческой работы останется вокруг результата.
Я более 10 лет занимаюсь аналитикой, SEO и управлением командами в digital‑маркетинге. А в своем Телеграм канале и на сайте пишу еще больше про всякое из реального маркетинга. Консультирую по аналитике web‑проектов и настройке инструментов маркетинга, помогаю проводить технические собеседования специалистов по различным типам трафика.
Где ИИ может создать новую работу
Ниже я не пытаюсь угадать названия должностей из кадрового справочника 2030 года. Меня интересуют рынки, которых сегодня нет или которые слишком малы из-за высокой стоимости услуги. Исследования подтверждают отдельные возможности ИИ, выводы о новых заказах и рабочих местах остаются моими сценариями.
Сильнейшее возражение: ИИ - не новый ткацкий станок
Прежде чем переносить прошлое в будущее, стоит признать, насколько ИИ отличается от прежних машин. Станок автоматизировал конкретное физическое действие. Генеративная модель способна вторгнуться сразу в программирование, дизайн, перевод, поддержку, право, маркетинг и аналитику. Программное обеспечение распространяется почти мгновенно, а предельная стоимость еще одной сгенерированной страницы или еще одного черновика кода близка к нулю. Одну платформу можно внедрить в тысячи компаний без строительства тысячи заводов.
Есть и более неприятная особенность. Прежняя автоматизация часто оставляла новичку простые операции, на которых тот учился профессии. ИИ забирает именно черновую работу: типовой код, первичный поиск, подготовку справки, разметку и сведение отчета. Если исчезнет нижняя ступень, компании могут получить опытных специалистов сегодня и дефицит опытных специалистов через пять лет.
Наконец, новый рынок необязательно означает много новых компаний. Его способны забрать несколько платформ, а небольшие фирмы станут лишь пользователями их моделей. Поэтому аналогия с промышленными революциями работает только при трех условиях: технология удешевляет услугу для новых покупателей, вокруг нее остается достаточно человеческих задач, а доступ к рынку не закрывается несколькими владельцами инфраструктуры.
Теперь можно перейти к отраслям и проверить эти условия на конкретных примерах.
Медицина: ИИ ценен дополнительным обследованием
В медицине дефицит работы звучит странно. Люди месяцами ждут приема, откладывают обследования из-за расстояния и выпадают из наблюдения после направления к другому специалисту. Здесь новый рынок может появиться потому что помощь дойдет до пациентов, которых система сегодня теряет.
В рандомизированном исследовании ACCESS участвовали 164 молодых пациента с диабетом. Среди тех, кому предложили обследование глаз с ИИ прямо во время обычного приема, обследование за шесть месяцев прошли 100%. При стандартном направлении к офтальмологу - 22%. Исследование проверяло всю организацию помощи: диагностику перенесли туда, где пациент уже находился. Wolf et al., Nature Communications, 2024.
Если клиники расширят охват, появится работа не только у врачей. Кто-то должен установить оборудование, обучить персонал, провести обследование, объяснить результат, связаться с пациентом и организовать дальнейшую помощь. За это могут платить клиники, страховщики, работодатели или государственные программы. ИИ здесь не заменяет медицинский маршрут - он делает возможным маршрут, который раньше срывался на первом переходе.
Фармацевтика показывает другую точку роста. В 2025 году были опубликованы результаты фазы 2a испытания рентосертиба - экспериментального препарата против легочного фиброза, при разработке которого использовался генеративный ИИ. В исследовании участвовал 71 человек. Xu et al., Nature Medicine.
Но экономический механизм где? А вот где. Если поиск перспективной молекулы становится дешевле, компания способна проверить больше гипотез. Каждая гипотеза, дошедшая до эксперимента, создает работу лаборатории, специалистов по данным, производителей образцов и координаторов испытаний. Автоматизируется поиск кандидата, а объем последующей проверки может вырасти.
При наличии финансирования дополнительные проекты означают новые заказы лабораториям и исследовательским центрам. Без финансирования даже идеальная молекула останется записью в базе данных.
Образование: дешевая персонализация все равно требует педагога
У массового образования есть давняя проблема: один преподаватель объясняет тему группе, хотя ученики не понимают ее по разным причинам. Настоящее персональное сопровождение дорого, потому что требует времени сильного педагога.
В исследовании Tutor CoPilot модель подсказывала преподавателю, как ответить ученику во время занятия. В общей выборке тему по итоговой проверке освоили 66% учеников против 62% в контрольной группе. У преподавателей с более низкими исходными оценками разница была заметнее: 65% против 56%. ИИ не проводил урок вместо человека, он помогал живому преподавателю выбрать следующий ход. J-PAL, Human-AI Cooperation to Improve Tutoring.
Если подготовка занятий подешевеет, персональное сопровождение смогут покупать семьи и небольшие компании, которым раньше оно было недоступно. Появится спрос не на «оператора нейросети», а на педагога, который диагностирует пробел, выбирает практику, замечает потерю мотивации и отвечает за результат. Рядом возникнут методисты, собирающие программы под конкретные профессии, и наставники взрослых, которым нужно переучиваться без отрыва от работы.
Здесь я все же исключаю полный переход на обучение детей от ИИ, как бы это не прельщало многих государевых деятелей, чтобы полностью срезать расходы на образование. Сложный разговор, но тем не менее я не верю в это даже в среднесрочной перспективе.
Сельское хозяйство: эксперт приезжает не на каждое поле
Маленькая ферма редко может держать собственного специалиста по каждой культуре. Экономически реалистичнее сезонная служба: полевой сотрудник собирает данные, приложение помогает распознать симптомы, а агроном проверяет результат и рекомендует действия нескольким хозяйствам.
PlantVillage Nuru показывает и возможности, и ограничения такого подхода. В полевых испытаниях приложение распознавало заболевания и повреждения маниока с разной точностью. При обследовании шести листьев совпадение с экспертной оценкой достигало 93% для симптомов мозаики, 73% для бурой полосатости и 93% для повреждений клещом. Один снимок растения давал менее надежный результат: значение имел сам протокол сбора данных. Frontiers in Plant Science, 2020.
Если обслуживание окупается для фермера, работу получают полевой диагност, агроном, техник оборудования и координатор кооператива. ИИ распределяет редкую экспертизу между большим числом хозяйств, но не отменяет человека, который правильно осмотрит растение и возьмет ответственность за рекомендацию.
Право и производство: рынок начинается ниже порога рентабельности
Самые интересные новые рынки могут возникнуть там, где потребность уже есть, но размер сделки слишком мал. Если спор идет о нескольких десятках тысяч рублей, полноценная юридическая работа легко становится дороже самой проблемы. Если мастерской нужна одна нестандартная деталь, стоимость проектирования делает заказ бессмысленным.
В эксперименте Чоя, Монахан и Шварца 59 студентов юридических факультетов выполняли реалистичные задания с GPT-4 и без него. С моделью они тратили меньше времени на все четыре типа работы: подготовку иска, договора, кадровой инструкции и записки клиенту. Улучшение качества оказалось небольшим и неоднородным. Choi, Monahan & Schwarcz, Lawyering in the Age of AI.
Отсюда сценарий небольших бюро массовой помощи: потребительские претензии, проверка договора микробизнеса, досудебное урегулирование. Юрист не получает прежнюю оплату за типовой документ; зато он может взять дело клиента, который раньше вообще не обращался за помощью. Платит человек или малый бизнес, а человеческая работа смещается к проверке фактов, переговорам и ответственности за совет.
В производстве действует тот же порог. ИИ помогает перебрать варианты конструкции и подготовить черновик документации. Инженер проверяет нагрузки и ограничения, мастер делает прототип, заказчик испытывает изделие. Удешевление проектирования способно сделать рентабельными небольшие заказы на оснастку, нестандартную мебель, приспособления для рабочих мест и редкие ремонтные детали.
Так может появиться дополнительная работа у инженеров, специалистов по прототипированию и монтажу. Но физическая экономика никуда не исчезает: материал, станок, доставка, испытание и ошибка по-прежнему стоят денег. Поэтому здесь я осторожнее всего отношусь к прогнозу.
IT: кода станет больше, а продавать часы станет труднее
В IT угроза видна была и раньше. Если заказчик получает рабочий черновик функции за несколько минут, он не захочет оплачивать прежнее количество часов. Первыми дешевеют типовые сайты, простые интеграции, перенос данных, стандартные тесты и интерфейсы.
При этом измерить эффект ИИ на разработку оказалось сложнее, чем заявить о нем. В трех полевых экспериментах Microsoft, Accenture и ещё одной крупной компании 4 867 разработчиков с ИИ-помощником выполнили примерно на 26% больше задач. Cui et al., 2025. В исследовании METR опытные разработчики открытых проектов с инструментами начала 2025 года, напротив, тратили на задачи на 19% больше времени. К 2026 году участники, по оценке авторов, вероятно, уже ускорялись, но отбор задач и отказ разработчиков работать без ИИ сделали точную величину эффекта ненадёжной. METR, обновление исследования.
Противоречие интересное. ИИ хорошо работает там, где задача помещается в понятный контекст и результат легко проверить. Он хуже помогает в старом проекте со скрытыми зависимостями, неявными требованиями и дорогой ошибкой. Поэтому ценность разработчика смещается от набора кода к пониманию системы и проверке последствий.
Теперь представим компанию по установке вентиляции. Сегодня менеджер считает цену в таблице, инженер отдельно подбирает оборудование, диспетчер хранит график обслуживания в другой программе, а руководитель узнаёт о просрочке от недовольного клиента. Индивидуальная система стоила бы слишком дорого, поэтому компания терпит ручной труд и потери.
Небольшая команда с ИИ может собрать отраслевой продукт: расчет сметы, каталог оборудования, расписание выездов, напоминания о сервисе. Первый клиент оплачивает внедрение, следующие - подписку и настройку. Код для каждого модуля дешевеет, зато появляются интервью с инженерами, очистка справочников, интеграция с учетом, проверка расчётов, обучение сотрудников и поддержка.
Здесь я ожидаю новых рабочих мест в IT: в маленьких командах, которые автоматизируют одну конкретную отрасль и отвечают за весь результат. Не абстрактный «специалист по ИИ», а разработчик, который понимает расчет вентиляции; аналитик, способный привести в порядок каталог оборудования; внедренец, который выстроит процесс у клиента, инженер по качеству, проверяющий цену ошибки. Платить будут компании, для которых прежняя стоимость заказной разработки была неподъемной.
Программ станет больше, но часов программирования в каждой программе - меньше. Рост занятости произойдет только в том случае, если количество новых систем и клиентов перекроет эту экономию.
Интернет-маркетинг: производство контента перестает быть бизнесом
Маркетинг вторым почувствовал неприятную сторону изобилия. Создать тысячу объявлений теперь проще, чем найти тысячу дополнительных покупателей. Текст, баннер и ролик быстро превращаются из услуги в расходный материал.
Это ударит по модели, где агентство продает количество: двадцать статей, сто креативов, тысячу страниц. Клиенту все труднее объяснить, почему он должен дорого платить за результат, который модель выдает за минуты. Человеческая работа останется там, где начинается неопределенность: кого убеждать, какую проблему обещать решить, почему покупатель должен поверить и какой канал действительно принёс прибыль.
В препринте о пяти экспериментах крупной платформы онлайн-торговли эффект генеративного ИИ на продажи различался от процесса к процессу. Чатбот до покупки дал рост 16,3% относительно ситуации без живого ответа, уточнение поисковых запросов - 2,9%, описание товара - 2,1%. Для маркетинговых push-сообщений и заголовков Google-рекламы статистически значимого эффекта не обнаружили. Fang et al., Generative AI and Sales Productivity.
В экспериментах на платформе электронной торговли ценность возникала не из самого факта генерации. Наиболее сильный результат появился там, где покупатель раньше оставался без помощи. Это тот же исторический механизм: обслуживается спрос, который прежде был слишком дорог или неудобен.
Вернемся к компании по вентиляции. Ресторан, цех и владелец загородного дома покупают разные результаты и по-разному описывают проблему. Маркетолог исследует разговоры с клиентами, собирает предложение для каждого сегмента и проверяет его на реальных обращениях. ИИ ускоряет производство материалов, но не решает, какой рынок стоит преследовать.
Меняется и сам путь к покупке. В наблюдательном исследовании Pew пользователи переходили по обычному результату Google в 15% посещений выдачи без ИИ-сводки и в 8% посещений со сводкой. По ссылкам внутри самой сводки они переходили еще реже. Исследование охватывало 900 взрослых американцев и не доказывает, что всю разницу вызвала именно функция ИИ. Pew Research Center, 2025.
Отсюда дополнительная работа для SEO-специалистов. Нужно выяснить, какие вопросы покупатель задает модели, откуда она берет сведения о компании, в каких сравнениях бренд отсутствует и приводит ли новая видимость реальные обращения. Заказчик заплатит за измеримый доступ к покупателю, который перестал ходить по привычным ссылкам.
Аналитика: отчет дешевеет, ответственность за вывод дорожает
Регулярная выгрузка, стандартный дашборд и словесный пересказ динамики - почти идеальные кандидаты на автоматизацию. Если работа аналитика заканчивается фразой «трафик вырос на 12%», эту работу действительно заберет машина.
Но бизнесу редко нужен сам график. Установщики вентиляции видят рост заявок, а прибыль падает. Причина может быть в дешевых заказах, дорогих выездах, задержке ответа менеджеров, ошибке в себестоимости или сезонности. Чтобы различить эти версии, нужно связать рекламу с CRM, оплатами и выполненными работами, проверить определения показателей и поставить эксперимент.
В полевом эксперименте с 758 консультантами BCG ИИ ускорял и улучшал выполнение ряда задач. Но в одной сложной задаче за пределами возможностей модели правильную рекомендацию дали 84,5% участников без GPT-4, 70,6% с GPT-4 и 60% с GPT-4 после дополнительного вводного материала. Уверенная помощь подтолкнула людей к неверному выводу. Dell’Acqua et al., Navigating the Jagged Technological Frontier.
Я ожидаю новых заказов на подготовку надежных данных, организацию экспериментов и проверку экономики решений. Небольшая компания, которая раньше не могла содержать аналитика, сможет покупать несколько дней внешней команды в месяц. Лучшие команды будут соединять разработку, маркетинг и аналитику вокруг одной отрасли: строить инструмент, приводить клиентов и отвечать на главный вопрос - принесла ли система прибыль.
Кто заплатит за новую работу
Разговор о профессиях часто заканчивается красивыми названиями: архитектор ИИ, тренер моделей, цифровой куратор. С названием все просто. Труднее назвать покупателя.
В моем сценарии платят не за присутствие человека рядом с нейросетью, а за решенную отраслевую проблему:
клиника платит за то, чтобы больше пациентов действительно прошли обследование и продолжили лечение;
исследовательская компания - за правильно проведенный эксперимент и данные, которым можно доверять;
учебный центр - за ученика, который освоил тему, а не получил еще один сгенерированный конспект;
фермерский кооператив - за раннее обнаружение болезни и понятную рекомендацию;
малый бизнес - за работающую отраслевую систему, привлечение прибыльных клиентов и проверку экономики;
человек или предприниматель - за юридическую помощь по делу, которое раньше было слишком маленьким для профессионального сопровождения.
Во всех этих случаях ИИ не является продуктом. Он снижает стоимость одной части услуги. Рабочее место возникает, если снижение стоимости позволяет продать всю услугу новому клиенту.
Новые рынки не спасут каждого, кто потеряет работу
До сих пор я рассуждал о суммарном объеме деятельности. Для человека, которого сократили сегодня, рост другого рынка через три года слабое утешение. Текстильная фабрика могла расширять выпуск и одновременно увольнять конкретного ткача. Интернет создавал работу на складе в одном городе и закрывал магазин в другом.
Особенно сложен вход в профессию. В обновленном исследовании Stanford Digital Economy Lab занятость работников 22–25 лет в профессиях с высокой подверженностью ИИ оказалась на 19% ниже траектории менее подверженных сверстников. Различие возникало преимущественно через сокращение найма, а не увольнения. Авторы называют результат ранним описательным индикатором, а не доказанным причинным эффектом ИИ. Canaries in the Coal Mine?, август 2026.
Если типовой код, первичная аналитика и черновик рекламной кампании выполняются автоматически, новичку негде набрать первые десять тысяч часов практики. Значит, компаниям придется сознательно проектировать обучение: давать начинающим реальные задачи под проверкой, оценивать понимание, а не только скорость, и не считать автоматизацию джуниорской работы бесплатной.
Есть и политическая сторона. Переход требует доступного переобучения, возможности создавать небольшие компании, конкуренции между платформами и такого распределения выгод, при котором рост производительности не оседает целиком у владельца инфраструктуры. История показывает, что новые рынки возможны. Она ничего не говорит о справедливости перехода.
Какие рабочие места мы пока не замечаем
На горизонте 2027–2029 годов я ожидаю появления небольших отраслевых команд. Они будут стоять между универсальной моделью и конкретным результатом: обследованным пациентом, исправным оборудованием, выигранным спором, освоенной темой, прибыльным заказом.
В медицине это сотрудники выездной диагностики и координаторы маршрута пациента. В фармацевтике - лабораторные и клинические команды, обслуживающие большее число исследовательских гипотез. В образовании - педагоги персонального сопровождения и методисты переподготовки взрослых. В сельском хозяйстве - полевые диагносты и агрономы общих сервисов для нескольких ферм.
В IT я ставлю на небольшие команды отраслевой автоматизации: разработчик, предметный эксперт, специалист по данным, внедренец и поддержка. В маркетинге - на исследование покупателя, проверку предложения и измерение видимости в ответах ИИ. В аналитике - на внешние команды, которые приводят в порядок данные и отвечают за качество решения.
Это не гарантированный список вакансий. Это направления, где уже можно назвать задачу, покупателя и причину, по которой услуга раньше не окупалась.
Вместо заключения
ИИ действительно отнимет у нас работу. Он уже отнимает часы, за которые вчера платили: черновой код, типовые тексты, сведение таблиц, подготовку документов. Спорить с этим - значит успокаивать себя историей вместо того, чтобы ее понимать.
Но работа и оплачиваемая операция - не одно и то же. Станок уменьшил труд на метр ткани и расширил рынок ткани. Конвейер уменьшил труд на автомобиль и создал автомобильную экономику. С ИИ исход решит та же строгая формула: насколько упадет стоимость услуги и сколько нового спроса появится в ответ. Если один специалист станет делать работу десятерых, прежнему отделу из десяти человек места может не остаться. Но если благодаря новой цене услугу купят двадцать компаний, работа вернется в другой форме - вместе с внедрением, проверкой, ответственностью и обслуживанием.
Я не знаю, окажется ли этот рост достаточным. Пока данные позволяют защищать более осторожный тезис: конец работы не предопределен, как не предопределен и благополучный переход.
Поэтому предлагаю читателям не перечислять фантастические профессии, а провести практический мысленный эксперимент. Назовите задачу в своей отрасли, которую сегодня не выполняют из-за цены. Что произойдет, если ее стоимость упадет в несколько раз? Какой новый продукт или услуга станет возможен? Что останется делать человеку - и кто заплатит за этот результат?
Особенно интересны обратные примеры: где ИИ уже снизил стоимость работы, но новых клиентов не появилось. Именно там проходит граница моего прогноза.
Кстати, кому интересны мои размышления по теме ИИ можно почитать мои предыдущие бредни, там вроде бы все еще идет активная дискуссия в комментариях.
Восстание машин отменяется: почему интеллект без собственных целей еще не стал разумом
